IMPLEMENTASI EDUCATIONAL DATA MINING UNTUK IMPLEMENTASI KURIKULUM

BERBASIS KOMPETENSI (KBK)

Purwono Hendradi
Teknik Informatika Universitas Muhammadiyah Magelang
E-mail : p_hendr@mail.com
Abstract
Competence-based Curriculum (KBK) has changed teaching paradigms. One of them is the measurement to measure students capability in whether they are competent or not. The measurement result of
a competency will affect the next competencies. The disparity of student in the class causes the differrence in competence reaching steps process. Yet, in a study plan of university students mostly there is
only one implementation plan i.e. Rencana Pelaksanaan Perkuliahan (RPP). In this research, Educational Data Mining (EDM) using clustering is applied to map student groups in class. The result of
this clustering is the used to build a more comprehensive study plan thus the competency achievement can be reached.
Keywords: KBK, RPP, EDM, comprehensive

Abstrak
Kurikulum berbasis kompetensi (KBK) mengubah paradigma dalam mengajar, di antaranya adalah
bagaimana mengukur kemampuan siswa yang outputnya adalah kompeten atau tidak kompeten. Hasil
pengukuran suatu kompentensi akan berpengaruh untuk kompetensi selanjutnya. Disvarietas siswa
dalam suatu kelas, menyebabkan cara dan langkah pencapaian kompetensi untuk setiap siswa
berbeda. Namun, dalam suatu rencana perkuliahan hanya ada satu rencana pelaksanaan, yaitu yang
tertuang dalam Rencana Pelaksanaan Perkuliahan (RPP). Educational Data Mining (EDM) dengan
memanfaatkan clustering, digunakan untuk memetakan kelompok siswa dalam kelas. Hasil pengelompokan ini digunakan untuk menyusun rencana pelaksanaan perkuliahan yang lebih komperhensif
untuk pencapaian kompetensi.
Kata kunci: KBK, RPP, EDM, komprehensif

1.

bangkan variasi dari siswa, sehingga pencapaian

atas kompetensi hanya bersifat linier.
Dalam tulisan ini akan diajukan sebuah desain mekanisme pelaksanaan pembelajaran berbasis TIK yang dapat mengatasi permasalahan di
atas. Dengan memanfaatan Educational Data
Mining (EDM) yang mengombinasikan beberapa
metode, desain mekanisme pelaksanaan pembelajaran akan lebih komprehensif.
Educational Data Mining (EDM) adalah
pengaplikasian teknik data mining dalam dunia
pendidikan. Proses EDM menjadikan guru dan peneliti pendidikan mendapat informasi dengan mengolah data mentah menjadi informasi dipahami
[1]. Dengan alat dalam EDM, pengelompokan siswa dapat lebih efektif menggunakan algoritma
clustering. Tidak ada algoritma clustering dapat
memberikan cluster sempurna pada semua set
data. Pengguna dapat menggunakan alat ini lebih
baik, hanya ketika mereka lebih memahami hal
itu. Metode clustering dibagi menjadi dua macam,
yaitu supervised dan unsupervised. Contoh untuk

Pendahuluan

Dalam pelaksanaan pembelajaran dengan menerapkan kurikulum berbasis kompetensi (KBK),

yang menjadi titik beratnya adalah pengukuran
pencapaian kompetensi. Dalam suatu matakuliah
terdiri dari lebih dari satu kompetensi yang saling
bertautan dan berkesinambungan, sehingga siswa
dinyatakan lulus dengan kompetensi tertentu.
Kenyataan di lapangan kemampuan siswa
yang bervariasi menyebabkan pelaksanaan pembelajaran dalam rangka mencapai kompetensi tidak mudah. Dan juga ditambah dengan keterbatasan waktu dan juga sarana lainnya. Oleh karena
itu kehadiran teknologi informasi dan komunikasi
(TIK) sebagai pelengkap dari pelaksanaan KBK.
Matakuliah dalam KBK dituangkan dalam
rencana pelaksanaan pembelajaran (RPP) hanya
memberikan langkah-langkah belajar secara berurutan. Setiap langkah ditujukan untuk mencapai
kompetensi tertentu, namun belum mempertim-

40

Purwono Hendradi, Implementas Educational Data Mining 41

Untuk unsupervised adalah clustering K-Means

dan K-Medoid sedangkan supervised adalah
Fuzzy C-Means.
Penggunaan EDM dalam suatu siklus pembelajaran adalah saat system pembelajaran berlangsung. EDM dijalankan dengan data hasil interaksi siswa dengan pengajar dan juga data-data
lainnya dari seorang siswa [2]. Output dari EDM
ada dua arah, untuk pengajar dan pengelola sistem
dihasilkan adalah informasi dan pengetahuan yang
digali dari siswa. Sedangkan pada sisi siswa adalah rekomendasi untuk kelanjutan pembelajarannya.
Selain itu keuntungan besar dari penggunaan
metode EDM adalah dapat dimasukan sebagai
bagian dari pengembangan system e-learning. Dengan EDM dapat ditemukan pengetahuan baru
dari penggalian data siswa, sehingga berpotensi
meningkatkan beberapa aspek kualitas pendidikan
dan untuk meletakkan dasar untuk proses belajar
lebih efektif [3].
Dalam perkuliahan, prestasi mahasiswa dipengaruhi oleh asal program studi, asal kota dan asal
SMA [4]. Data ini diolah dan dipadu dengan data
hasil tes perkuliahan dengan menggunakan EDM.
Hasil pengolahannya akan menghasilkan informasi yang berguna untuk pengembangan dan pengambilan keputusan untuk proses pendidikan. Untuk melaksanakannya diperlukan kegiatan yang
mengombinasikan penilaian, pengukuran dan evaluasi. Penilaian dapat diartikan sebagai kegiatan
menafsirkan data hasil pengukuran dan evaluasi
digunakan sebagai penyediaan informasi yang dapat dijadikan sebagai bahan pertimbangan dalam
mengambil keputusan [5]. Dalam penelitian ini
menggunkan penilaian dan evaluasi, penilaian digunakan untuk menafsirkan data hasil pengukuran
untuk menentukan tingkat kompetensi. Sedangkan
evaluasi digunakan untuk menyediakan data dalam mengambil keputusan atas skenario/rencana
pembelajaran.
Kerangka Kualifikasi Nasional Indonesia
(KKNI) mengisyaratkan suatu tatanan perkuliahan
dengan kurikulum berbasis kompetensi (KBK).
Implementasi KKNI yang dimulai tahun 2012
berdasarkan UU 20-2003 dan PP no.31 -2006.
Dalam menyusun KBK untuk sebuah program
studi harus mengacu pada kerangka kualifikasi
yang dituju. Tahapan-tahapan penyusunan dimulai dengan mendefinisikan kompetensi utama,
pendukung dan tambahan. Hasil akhir dari penyusunan KBK adalah distribusi matakuliah per semester dengan Rencana Pelaksanaan Pembelajaran (RPP).
Dalam pelaksanaannya RPP disusun untuk
jumlah pertemuan yang terbatas, yaitu 16 (enam
belas) pertemuan. Hasil akhir pelaksanaan adalah
kompetensi akhir yang merupakan akumulasi dari

Gambar 1. RPP Konvensional

kompetensi dalam tahapan pelaksanaan RPP. Dalam RPP di penelitian ini dikembangkan RPP
yang memiliki percabangan, yaitu RPP yang
mengakomodasi kemampuan peserta didik berdasarkan pengelompokan kemampuan.
Untuk mengembangkan percabangan ini, digunakan metode EDM yang memadukan kegiatan
penilaian dan evaluasi. Data yang akan digunakan
adalah data asal mahasiswa, yaitu data yang diperoleh dari mahasiswa pada pendidikan tingkat
SLTA, data tersebut adalah:

TABEL 1
DATA ASAL MAHASISWA
Jenis/Type
Data jenis SLTA, dibagi menjadi
SLTA
1. SMK IT (TKJ, MM, RPL)
2. SMK IPA (Elektronika, TKR,
Listrik)
3. SMK non IPA
4. SMA IPA
5. SMA non IPA
Nama SLTA
Nama SLTA termasuk kecamatan lokasi SLTA berada, contoh SMA N 54
Jatinegara, SMKN1 Magelang dan lain
sebagainya.
Nilai SKHUN Merupakan nilai murni kemampuan
Matematika
mata pelajaran matermatika siswa. Nilai
ini diperlukan sebagai salah satu dasar
kemampuan komputasi.

RPP konvensional
Dalam RPP yang konvensional, perkuliahan dilaksanakan dalam kegiatan sequential dan linier,
yaitu kegiatan belajar mengajar mengacu pada
urutan kegiatan dan urutan kompetensi. Percabangan terjadi saat siswa tidak bisa memenuhi suatu
kompetensi, yaitu diarahkan ke mengulang.
Gambar 1 menunjukkan ilustrasi algoritmanya.
Dari bagan pada Gambar 1 siswa tidak memiliki pilihan selain harus lulus dari tes dari
sebuah materi untuk memenuhi kompetensi tertentu. Pada kenyataanya, dalam suatu kelas kemampuan siswa dalam menerima materi tidaklah

42 Journal of Information System, Volume 12, Issue 1, April 2016

sama. Perlu ada alternatif langkah untuk memfasilitasi siswa yang berbeda-beda untuk mendapatkan kompetensi yang serupa pada waktu yang
sama.
2.

Metode Penelitian

Untuk mengatasi permasalahan diatas, maka perlu

dibuat suatu rencana pelaksanaan pembelajaran
yang dapat mefasilitasi siswa yang memiliki
kemampuan yang beragam. Mengingat keterbatasan dalam pelaksanaan pembelajaran, yaitu keterbatasan waktu, keterbatasan durasi dan lain sebagainya, maka skenario pembelajaran ini ditujukan
untuk pembelajaran berbasis elektronik (e-learning).
Rencana pelaksanaan perkuliahan ini diawali
dengan pelaksanaan perkuliahan biasa. Namun
pada tahap tes kompetensi pertama sistem dirancang tidak hanya memberi nilai, akan tetapi harus
dapat mengelompokkan potensi dan kemampuan
siswa. Dari pengelompokan tersebut dapat menentukan arah pembelajaran untuk kompetensi selanjutnya. Untuk memenuhi tujuan diatas, maka digunakan Education Data Mining (EDM) yaitu
metode clustering. Gambar 2 menunjukkan gambar dari RPP yang dikembangkan dengan menggunakan EDM.
Penggunaan clustering dalam penelitian ini
memiliki dua kebutuhan, yaitu clustering untuk
memetakan kelompok siswa dalam menempuh
pembelajaran dan clustering untuk mengukur
kinerja kelas dalam melaksanakan pembelajaran.
Untuk memetakan kelompok, digunakan proses
evaluasi, sedangkan mengukur kinerja menggunakan proses penilaian.
Proses evaluasi digunakan pertama untuk
memetakan siswa untuk mengetahui potensinya.
Untuk awal perkuliahan proses ini menggunakan
data asal mahasiswa (Student Origin Data) dipadu
dengan data tes pertama (1st exam). Hasil evaluasi
ini diharapkan menghasilkan pengelompokan siswa berdasarkan potensinya. Pengelompokan siswa
ini digunakan untuk mengarahkan siswa dalam
belajar (treatment). Untuk tahap ini menggunakan

metode clustering yang dibutuhkan adalah yang

metode clustering yang terarah (supervised), karena pembagian kelompok belajar diarahkan ke kelompok yang sudah ditentukan, yang berupa level.
Tiap level akan menuntun siswa untuk belajar untuk mencapai kompetensi yang diharapkan dalam
kurikulum.
Metode clustering yang cocok untuk kegiatan ini adalah Fuzzy C-mean, karena metode ini
adalah metode clustering terarah (supervised). Semisal rencana pembelajaran akan dibagi tiga, kurang, sedang dan baik. Maka ketiga pembagian
tersebut akan dijadikan centroid.
Penggunaan clustering selanjutnya adalah
untuk melangkah ke kompetensi kedua, yaitu saat
mengukur kinerja kelas. Dalam penelitian ini kinerja kelas yang dimaksud adalah kinerja siswa
dalam belajar dan kinerja pengajar dalam mengajar, namun untuk kali ini yang difokuskan adalah
kinerja siswa, yaitu penilaian atas tes yang kedua
(2nd exam). Tes yang kedua memiliki tujuan untuk
mengukur kemampuan siswa dan meninjau posisi
siswa dalam kelompok. Ada beberapa keluaran
yang harus ditinjau dari tes ini, yaitu: sejauh mana
perubahan kelompok siswa dibandingkan dengan
pengelompokan pada saat tes pertama (1st exam)
serta hal-hal yang mempengaruhi pengelompokan
siswa (asal sekolah, jenis sekolah, dll ).
Mempertimbangkan hal-hal tersebut, metode
yang dipilih adalah clustering yang tidak diarahkan (unsupervised). Untuk itu penulis memilih
metode clustering K-Mean, karena metode ini
centroid terbentuk dengan sendirinya oleh operasi
clustering. Gambar 3 mengilustrasikan penggunaannya pada sistem RPP.
Dari ilustrasi diatas, penggunaan clustering
Fuzzy C-mean ada dua, yaitu yang pertama saat
pengelompokan dari hasil ujian pertama (1st exam)
dan saat setelah clustering K-mean. Penggunaan
metode K-mean sesuai dengan karakteristiknya
adalah untuk menciptakan kelompok dengan sendirinya, yang hasilnya dibandingkan dengan hasil
dari metode clustering Fuzzy C-mean sebelumnya. Setelah itu utuk melangkah ke materi pem-

Purwono Hendradi, Implementas Educational Data Mining 43

belajaran selanjutnya data di-cluster lagi menggunakan Fuzzy C-mean.

3.

Kesimpulan

Penerapan EDM dalam Rencana Pelaksanaan Perkuliahan (RPP) dapat digunakan sebagai system
pendukung keputusan dalam mengembangkan
pembelajaran berbasis kompetensi, hasil dari
EDM dijadikan pertimbangkan dalam setiap tahapan belajar. Metode EDM yang dibutuhkan dalam
RPP adalah yang dapat memberikan informasi
mengenai pengelompokan siswa, yaitu
Pengelompokan siswa untuk membagi
siswa dalam melaksanakan pembelajaran dan
pengelom-pokan siswa untuk mengkukur tingkat
perkem-bangan siswa. Untuk keperluan petama
diatas digunakan metode clustering Fuzzy Cmean, sedangkan keperluan yang kedua
digunakan metode K-Mean.
Penggunaan EDM dalam RPP dapat digunakan sebagai bagian dari system personalisasi elearning, dimana siswa memungkinkan mendapatkan pelayanan dan informasi belajar berdasarkan informasi dari interaksi nya dengan system elearning.
Referensi
[1] L. Z. Chen Xu, "Effectiveness Analysis of
The Application of Clustering in Student," in

[2]

[3]

[4]

[5]

[6]

[7]

International Conference on Education

Technology and Information System (ICETIS
2013), 2013.
S. C. Romero, "Educational data mining: A
survey from 1995 to 2005," Expert System
With Aplication an Internasional Journal ,
vol. 33, no. 1, pp. 135-146, 2007.
A. P. D. J. ,. H. F. Fernandez, "E-learning
and Educational Data Mining in Cloud
Computing : An Overview," Int. J. Learning
Technology, vol. 9, no. 1, pp. 25-52, 2014.
Narwati,
"Pengelompokan
Siswa
Menggunakan
Algoritma
K-Means,"
Dinamika Informatika, pp. 12-16, 2010.
H. Susanto, " Penilaian, Pengukuran, dan
Evaluasi," 29 May 2013. [Online].
Available:
https://bagawanabiyasa.wordpress.com/2013
/05/29/penilaian-pengukuran-dan-evaluasi/.
[Accessed 2 October 2015].
K. Hari, Aplikasi Logika Fuzzy untuk
Pendukung Keputusan, Yogyakarta: Graha
Ilmu, 2004.
A. S. Aribowo, "E-learning Cerdas Dengan
Personalisasi Menggunakan Teknik Data
Mining Dan Decision Support System," in
Seminar Nasional Informatika 2010
(semnasIF 2010), Jogyakarta, 2010.